Artificial Intelligence Methods for Data Analysis in Gas Sensor Applications

Monitoring gas concentrations has become increasingly important across a wide range of applications, from disease screening to safety protocols and air quality monitoring. To meet the growing demand, numerous technologies have been developed to accurately measure gas concentrations. Among these, chemoresistive gas sensors stand out for their high sensitivity, low cost, and low energy consumption. However, these types of sensors face various challenges, among them poor long-term stability and limited selectivity. To address these issues, I developed advanced data analysis algorithms that aimed to enhance the performance of chemoresistive sensors. These algorithms included Random Forest and Artificial Neural Network to enhance the stability and the selectivity of the chemoresistive gas sensor. These calibration models were validated through extensive and lengthy measurement campaigns conducted in both controlled indoor environments, a classroom, and complex outdoor conditions. The results obtained demonstrate that the sensing properties of chemoresistive sensors when paired with appropriate calibration functions can match those of other state-of-the-art gas sensing technologies currently available on the market, while maintaining lower cost. Among the most significant outcomes, I would like to highlight the performance of the carbon dioxide sensor, which achieved excellent results in indoor monitoring, and the sensing platform capability of detecting ozone, which excelled in outdoor monitoring. Both applications demonstrated high reproducibility of results, showcasing the potential of these devices for reliable and cost-effective applications even in complex environments.

Il monitoraggio di concentrazioni di gas è diventato sempre più importante per una vasta gamma di applicazioni, dalla diagnosi delle malattie ai protocolli di sicurezza e al controllo della qualità dell'aria. Per soddisfare la crescente domanda, sono state sviluppate numerose tecnologie per misurare con precisione le concentrazioni di diversi gas. Tra queste, i sensori chemoresistivi si distinguono per la loro elevata sensibilità, il basso costo di produzione e il ridotto consumo energetico. Tuttavia, l’utilizzo di questi sensori presenta diverse sfide, tra cui una scarsa stabilità a lungo termine e una selettività limitata in presenza di miscele complesse. Per affrontare questi problemi, ho sviluppato avanzati algoritmi di analisi dati con l'obiettivo di migliorare le prestazioni dei sensori chemoresistivi. Questi algoritmi includono il Random Forest e le Reti Neurali Artificiali, utilizzati per aumentare la stabilità e la selettività dei sensori. I modelli di calibrazione sviluppati sono stati validati attraverso campagne di misurazione estese e prolungate, condotte sia in ambienti interni controllati, come un'aula, sia in condizioni complesse all'aperto. I risultati ottenuti dimostrano che le proprietà di rilevamento dei sensori chemoresistivi, quando abbinati a funzioni di calibrazione adeguate, possono eguagliare quelle di altre tecnologie di rilevamento dei gas all'avanguardia attualmente disponibili sul mercato, mantenendo al contempo costi inferiori. Tra i risultati più significativi, desidero evidenziare le prestazioni del sensore di anidride carbonica, che ha ottenuto eccellenti risultati nel monitoraggio in ambienti interni, e la capacità della piattaforma di rilevare l'ozono, che si è distinta nel monitoraggio all'aperto. Entrambe le applicazioni hanno dimostrato un'elevata riproducibilità dei risultati, evidenziando il potenziale di questi dispositivi per applicazioni affidabili ed economiche anche in ambienti complessi.